آمادگی آزمون مهندس تحلیلگر مایکروسافت فابریک (DP-600) از انتشارات مایکروسافت - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه‌ای بر اجزای مایکروسافت فابریک Introduction to Microsoft Fabric components

• آزمایشگاه: فعال‌سازی لایسنس مایکروسافت فابریک Lab: Enable a Microsoft Fabric license

• وظایف مدیر فابریک، مرکز مدیریت و مدیریت دسترسی کاربران Fabric admin tasks, admin center, and managing user access

• آشنایی با لیک‌هاوس‌ها، انبارهای داده، نوت‌بوک‌ها، دیتافلوها و موارد دیگر Lakehouses, data warehouses, notebooks, dataflows, and more

• مقدمه‌ای بر تحلیل داده و مایکروسافت فابریک Introduction to data analysis and Microsoft Fabric

1. مبانی انبار داده و SQL 1. Data Warehousing and SQL Fundamentals

• درک پایگاه‌های داده رابطه‌ای و مبانی SQL Understand relational databases and SQL fundamentals

• بارگذاری داده‌ها با استفاده از خط لوله داده، Dataflow Gen2 و T-SQL Load data using data pipeline, Dataflow Gen2, and T-SQL

• انتقال داده (ETL) به انبار داده مایکروسافت فابریک ETL data into the Microsoft Fabric data warehouse

• آزمایشگاه: دستورات SQL برای درک پایگاه‌های داده رابطه‌ای Lab: SQL commands to understand relational databases

• نظارت و مدیریت انبارهای داده Monitoring and managing data warehouses

• آزمایشگاه: ایجاد انبار داده و بارگذاری و ورود داده‌ها به آن Lab: Create a data warehouse and load and ingest data into it

• طراحی و پیاده‌سازی انبارهای داده در مایکروسافت فابریک Design and implement data warehouses in Microsoft Fabric

2. ورود و آماده‌سازی داده‌ها 2. Data Ingestion and Preparation

• استفاده از Dataflow Gen2 برای آماده‌سازی و تبدیل داده‌ها Use Dataflow Gen2 for data preparation and transformation

• ورود داده‌ها با استفاده از Dataflow Gen2 و خط لوله داده Data ingestion using Dataflow Gen2 and data pipeline

• ایجاد و مدیریت خط لوله‌های داده برای انتقال کارآمد داده‌ها Create and manage data pipelines for efficient data movement

• آزمایشگاه: آماده‌سازی داده‌ها با استفاده از Dataflow Gen2 و خط لوله داده Lab: Prepare the data using Dataflow Gen2 and data pipeline

• بهترین روش‌های ورود و آماده‌سازی داده‌ها Best practices for data ingestion and preparation

3. لیک‌هاوس‌ها، داده‌های نیمه‌ساختاریافته و PySpark 3. Lakehouses, Semi-Structured Data, and PySpark

• کار با جداول دلتا لیک (Delta Lake) برای مدیریت کارآمد داده‌ها Work with Delta Lake tables for efficient data management

• آزمایشگاه: آماده‌سازی داده‌ها با استفاده از PySpark Lab: Prepare the data using PySpark

• استفاده از PySpark برای تبدیل و تحلیل داده‌ها Use PySpark for data transformation and analysis

• ذخیره و مدیریت داده‌های نیمه‌ساختاریافته در لیک‌هاوس‌ها Store and manage semi-structured data in lakehouses

• مقدمه‌ای بر معماری لیک‌هاوس در مایکروسافت فابریک Introduction to lakehouse architecture in Microsoft Fabric

4. معماری مدالیون در مایکروسافت فابریک 4. Medallion Architecture in Microsoft Fabric

• درک مفهوم معماری مدالیون Understand the concept of medallion architecture

• آزمایشگاه: تمرین عملی برای درک بهتر معماری مدالیون Lab: Get hands-on to better understand medallion architecture

• طراحی و پیاده‌سازی معماری مدالیون برای مدیریت داده‌ها Design and implement medallion architecture for data management

• بهترین روش‌های معماری‌های داده مقیاس‌پذیر و کارآمد Best practices for scalable and efficient data architectures

• سازماندهی دریاچه‌های داده، انبارهای داده و لیک‌هاوس‌ها Organize data lakes, data warehouses, and lakehouses

5. کاوش و تحلیل داده‌ها 5. Exploring and Analyzing Data

• استخراج بینش‌ها و تصمیم‌گیری مبتنی بر داده Extract insights and make data-driven decisions

• انجام تحلیل‌های توصیفی و تشخیصی روی مجموعه‌داده‌ها Perform descriptive and diagnostic analysis on datasets

• کاوش و تحلیل داده‌ها در مایکروسافت فابریک Explore and analyze data in Microsoft Fabric

• استفاده از Power BI برای کاوش و بصری‌سازی داده‌ها Use Power BI for data exploration and visualization

6. پاور بی‌آی (Power BI) و بصری‌سازی داده‌ها 6. Power BI and Data Visualization

• آزمایشگاه: ایجاد گزارش‌های تعاملی و انتشار در سرویس Power BI Lab: Create interactive reports and publish to Power BI service

• بهترین روش‌های بصری‌سازی اثربخش داده‌ها Best practices for effective data visualization

• ایجاد گزارش‌ها و داشبوردهای تعاملی Create interactive reports and dashboards

• مقدمه‌ای بر Power BI و نقش آن در بصری‌سازی داده‌ها Introduction to Power BI and its role in data visualization

• استفاده از Power BI برای کاوش و تحلیل داده‌ها Use Power BI for data exploration and analysis

7. طراحی و ساخت مدل‌های معنایی 7. Designing and Building Semantic Models

• اهمیت مدل‌سازی معنایی در تحلیل داده‌ها The importance of semantic modeling in data analytics

• بهینه‌سازی مدل‌های معنایی برای کارایی و مقیاس‌پذیری Optimize semantic models for performance and scalability

• پیاده‌سازی روابط و محاسبات با استفاده از DAX Implement relationships and calculations using DAX

• آزمایشگاه: کار با DAX Studio و Tabular Editor 2 Lab: DAX Studio and Tabular Editor 2

• طراحی مدل‌های جدولی برای تحلیل معنایی در Power BI Design tabular models for semantic analysis in Power BI

• پیاده‌سازی تنظیمات امنیتی در مایکروسافت فابریک Implement security settings in Microsoft Fabric

• آزمایشگاه: مدیریت برچسب‌های حساسیت در مدل‌های معنایی و لیک‌هاوس‌ها Lab: Manage sensitivity labels in semantic models and lakehouses

نتیجه‌گیری Conclusion

• خلاصه Summary